一种基于嵌入式GPU的轨道缺陷在线巡检方法与巡检装置与流程

本发明涉及轨道检测领域，具体是一种基于嵌入式gpu的轨道缺陷在线巡检方法与巡检装置。

背景技术：

轨道安全是轨道交通运输的最基本的安全条目，在现今轨道交通运输作为城市交通的一大主力：速度快、运量大，且安全舒适。但是轨道的检修作业却异常繁重，目前都采人工检查，致使效率非常低下。应铁路局需求，铁路工务巡检系统随之出现，能对轨道结构部件进行快速动态巡视和检测，而目前大都采用服务器形式，设备体型大，占用空间大，对列车车厢的利用造成一定的影响。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种基于嵌入式gpu的轨道缺陷在线巡检方法，包括如下过程：

采集轨面图像，经过多普勒雷达测距列车每移动1mm发出一个触发信号，当相机接收到触发信号时，则采集一次数据，每相隔1000mm输出一张1024*1000的图像，再将图像发送给嵌入式gpu处理器，进行轨面缺陷检测，所述的轨面缺陷检测包括轨缝检测、波磨以及掉块检测和肥边检测，得到轨面缺陷；

采集左轨外侧、左轨内侧、右轨内侧、右轨外侧4路扣件图像，将4路扣件的图像按照左轨外侧、左轨内侧、右轨内侧、右轨外侧的顺序拼接在一起，进行扣件缺陷检测，通过yolov3网络得到扣件缺陷；

采集道床数据，选定待检测区域，并截取该区域图像，通过yolov3目标检测网络，得到道床缺陷。

进一步的，所述的所述的轨缝检测包括对图像进行y方向sobel计算，得到sobel图；再计算sobel图中每一行亮点的个数；若连续3行的亮点个数均超过80个像素，则认为此处为轨缝；

所述的波磨以及掉块检测是对1024*1000的原始图像进行二值化处理，得到二值化图像，再利用爬虫法提取二值化图像中孔洞的轮廓；计算轮廓的面积，若轮廓的面积超过225个像素，长宽均超过15个像素，则认为是掉块或波磨；

所述的肥边检测包括如下过程：对1024*1000的原始图像，进行自适应二值化，提取二值化图像中每一行亮点起始位置与终止位置，起始位置与终止位置之间的部分则为轨面区域；提取每一行轨面的中心点；根据中心点拟合出一条直线；计算每一行轨面的中心点偏移该直线的欧式距离；将二值化图像分为10段检测，每一段为1024*100，计算每一段图像中每一行轨面区域宽度的方差，若该段图像中宽度方差大于10000，则为肥边。

进一步的，所述的扣件缺陷检测包括如下过程：选取n张拼接图：标记图中扣件的位置，并将所有标记出扣件位置的图像送入到yolov3网络中进行训练，得到yolov3的网络权重，

将待检测的拼接图送入yolov3的深度学习网络中，预测出每个扣件在图像中的位置；

计算每一路相邻扣件之间的y方向的间距，将距离值按照类间间距为200进行聚类，取类中个数最多的一个类，计算其平均值，其平均值则为扣件的正常间距，再判断相邻扣件之间的间距是否大于1.5倍的正常间距；若是，则该两扣件之间存在扣件丢失；

在扣件所在位置截取250*250的图像，标记250*250图像中的扣件弹条的耳廓部分，并将标记的图像放入yolov3网络中训练，得到yolov3的目标检测网络权重；

将待检测的250*250的图像输入yolov3目标检测网络中，预测出弹条耳廓的具体位置。

若在待检测图中预测的弹条耳廓个数小于2，则该扣件存在弹条破损。

进一步的，所述的道床检测包括如下步骤:数据预处理，固定一个检测区域，避免不必要的干扰，并截取该区域图像；

筛选出1000张带有异物、裂缝的检测区域图像；标记所有异物、裂缝的区域；将1000张标记图片纳入yolov3目标检测网络中进行训练；得到yolov3的网络权重；

将待检测图送入yolov3目标检测网络中，直接预测出异物、裂缝的具体位置。

一种基于嵌入式gpu的轨道缺陷在线巡检装置，包括多普勒雷达、轨道巡检模组、道床巡检模组、嵌入式gpu处理模块；所述的轨道巡检模组、道床巡检模组分别与所述的嵌入式gpu处理模块连接，所述的轨道巡检模组、道床巡检模组分别与所述的多普勒雷达连接。

优选的，所述的轨道巡检模组包括外轨线阵相机、轨面线阵相机、内轨线阵相机、激光光源和图像采集卡；所述的外轨线阵相机、轨面线阵相机、内轨线阵相机分别与所述的图像采集卡连接，所述的激光光源、图像采集卡分别与所述的嵌入式gpu处理模块连接。

优选的，所述的道床巡检模组包括道床线阵相机、激光光源和图像采集卡二，所述的道床线阵相机与所述的图像采集卡二连接，所述的激光光源和图像采集卡二分别与所述的嵌入式gpu处理模块连接。

本发明的有益效果是：使用本发明的检测方法与系统，能够实时进行缺陷检测，而且占用空间小，不对列车车厢的使用造成影响。

附图说明

图1为一种基于嵌入式gpu的轨道缺陷在线巡检方法示意图；

图2为轨面检测示意图；

图3为波磨以及掉块检测示意图；

图4为肥边检测示意图；

图5为扣件检测检测示意图；

图6为道床检测示意图；

图7为一种基于嵌入式gpu的轨道缺陷在线巡检装置示意图。

具体实施方式

下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。

如图1所示，经过多普勒雷达测距列车每移动1mm发出一个触发信号，当相机接收到触发信号时，则采集一次数据，每相隔1000mm输出一张1024*1000的图像，再将图像发送给嵌入式gpu处理器，进行缺陷检测。

轨面检测：

1、轨缝检测：

1）对图像进行y方向sobel计算，得到sobel图

2）在计算sobel图中每一行亮点的个数。

3）若连续3行的亮点个数均超过80个像素，则认为此处为轨缝

2、波磨以及掉块检测：

1）对1024*1000的原始图像进行二值化处理。

2）此时掉块等缺陷会表现出孔洞的特征，再利用爬虫法提取孔洞的轮廓。

3）计算轮廓的面积（即孔洞的像素个数），

4）若轮廓的面积超过225个像素，长宽均超过15个像素，则认为是掉块。

3、肥边检测：

1）对1024*1000的原始图像，进行自适应二值化，提取每一行亮点起始位置与终止位置，起始位置与终止位置之间的部分则为轨面区域。

2）提取每一行轨面的中心点。

3）根据中心点拟合出一条直线。

4）统计计算每一行轨面的中心点偏移该直线的欧式距离。若连续10行此距离大于10个像素，则认为此处有肥边。

5）将图像分为10段检测，每一段为1024*100，计算每一段图像中每一行轨面区域宽度的方差，若该段图像中宽度方差大于10000，也认为是肥边。

扣件检测：

1、图像的拼接：将4路扣件的图像按照左轨外侧、左轨内侧、右轨内侧、右轨外侧的顺序拼接在一起。

2、选取1000张拼接图：标记扣件的区域。并所有标记图像其送入到yolov3网络中进行训练，得到yolov3的网络权重，

3、将待检测的拼接图送入yolov3的深度学习网络中，预测出每个扣件在图像中的具体位置。

4、计算每一路相邻扣件之间的y方向的间距，然后统计10张图像中每一路扣件的间距，将距离值按照类间间距为200进行聚类，取类中个数最多的一个类，并计算其平均值，其平均值则为正常扣件的间距，再判断相邻扣件之间的间距是否大于1.5倍的正常间距；若是，则该两扣件之间存在扣件丢失。

5、在扣件所在位置截取250*250的图像，筛选出1000张。

6、标记250*250图像中的扣件弹条的耳廓部分。并将1000张250*250标记的图像放入yolov3网络中训练，得到yolov3的目标检测网络权重。

7、将待检测的250*250的图像输入yolov3目标检测网络中，预测出弹条耳廓的具体位置。

8、若在待检测图中预测的弹条耳廓个数小于2，则认为该扣件存在弹条破损。

道床检测：

1、数据预处理：固定一个检测区域，避免不必要的干扰，并截取该区域图像。

2、筛选出1000张带有异物、裂缝的检测区域图像。标记所有异物、裂缝的区域。将1000张标记图片纳入yolov3目标检测网络中进行训练。得到yolov3的网络权重。

3、将待检测图送入yolov3目标检测网络中，直接预测出异物、裂缝的具体位置。

以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除